5 жилийн ажлыг 2 долоо хоногт: Asana компани $6 саяын техникийн өрийг AI агентуудаар $12 мянгаар шийдвэрлэжээ

Томоохон систем, өргөн цар хүрээтэй бүтээгдэхүүн хөгжүүлдэг багуудын хувьд хуучирсан сан (legacy dependency), хуримтлагдсан техникийн өрийг (technical debt) шинэчлэх нь хамгийн их цаг, нөөц барсан "хар дарсан зүүд" байдаг. Тэгвэл бүтээмжийн алдарт платформ Asana өөрсдийн фронтенд экосистем дэх олон жилийн legacy асуудлыг шийдсэн гайхалтай кейсээ хуваалцлаа.

Тэд нийт 5 жил үргэлжилж, 6 сая орчим ам.долларын өртөг гарна гэж тооцоолж байсан кодын шилжүүлгийг OpenAI Codex AI агентуудыг ашиглан ердөө 2 долоо хоногийн дотор, $12,000-ын зардлаар бүрэн дуусгасан байна.

Асуудлын үндэс: Олон мянган legacy тест ба Enzyme

React экосистемийн эрт үед нэгж тест (unit test) бичихэд өргөн хэрэглэгддэг байсан Enzyme сан нь React-ийн сүүлийн хувилбаруудыг дэмжихээ больж, албан ёсоор хөгжүүлэлт нь зогссон билээ. Гэвч Asana-ийн уудам фронтенд кодын баазад олон мянган тест Enzyme дээр бичигдсэн хэвээр байсан бөгөөд энэ нь бүтээгдэхүүний үндсэн фрэймворк болон хөгжүүлэлтийн орчныг шинэчлэхэд гол саад (blocker) болж байв.

Хуучин тест бүрийг орчин үеийн React Testing Library руу гараар хөрвүүлэх нь:

• Бизнесийн шинэ боломжуудад зарцуулах инженерийн цагийг үрэх,
• Хүний механик алдаа гарах магадлал өндөр,
• Компанийн урьдчилсан төсөөллөөр дор хаяж 5 жилийн тасралтгүй инженерчлэлийн хүчин чармайлт, 6 сая ам.долларын төсөв шаардагдах нүсэр ажил байв.

Архитектур ба ажлын урсгал: 4 параллель агент

Asana-ийн баг энэхүү техникийн өрийг шийдэхийн тулд нүсэр автоматжуулалтын скрипт эсвэл хүний хүч ашиглахын оронд OpenAI Codex дээр суурилсан параллель AI агент архитектурыг туршихаар шийдсэн байна.

Тэдний ашигласан ажлын урсгал (workflow) маш энгийн бөгөөд оновчтой байв:

1. Тусгаарлагдсан хуулбар орчин (Sandboxed Workspaces): Кодын сангийн 4 тусдаа хуулбар (forked copy/branch) дээр 4 Codex агент нэгэн зэрэг параллелиар ажилласан.
2. Товч зааварчилгаа (Minimal Prompting): Нарийн төвөгтэй, хэдэн арван хуудас prompt өгөхийн оронд ердөө 5 өгүүлбэр бүхий маш тодорхой зааварчилгааг агентуудад өгчээ. Энгийн зааварчилгаа нь загварыг төөрөгдүүлэхгүй, илүү тогтвортой ажиллахад тусалсан байна.
3. Хүний хяналт (Human-in-the-Loop): Инженерүүд өдөржин код бичилгүй, өдөрт ердөө 2 удаа агентуудын хийсэн өөрчлөлтийг хянаж (code review), асуудалгүй бол нэгтгэх (merge) зарчмаар ажилласан байна.

Үр дүнд нь нийт 1.5 долоо хоногийн цэвэр инженерийн оролцоотойгоор хуучирсан Enzyme сангийн бүх хамаарлыг системээсээ бүрэн устгаж, амжилттай шинэчилж чаджээ.

Үр дүн ба хэмнэлт: Тоо баримтаар

Энэхүү шилжүүлгийн бодит үр дүн програм хангамжийн үйлдвэрлэлийн бүтээмжид цоо шинэ жишиг тогтоов:

• Хугацаа: 5 жил $\rightarrow$ 2 долоо хоног
• Зардал: ~$6,000,000 $\rightarrow$ ~$12,000 (Model API болон дэд бүтцийн зардал)
• Хэмнэлт: 99.8%-ийн санхүүгийн болон цаг хугацааны зардал бууралт

Програм хангамжийн багуудад өгөх сургамж

Энэхүү туршлага нь AI зөвхөн кодын autocomplete хийхээс гадна "том хэмжээний refactoring болон legacy migration"-ийг бие даан хийх чадвартай түвшинд хүрснийг харууллаа.

Хөгжүүлэгчдийн өмнө олон жилээр хойшлогдсон дараах ажлуудыг одоо шийдэх боломж бүрдэж байна:

• Хуучин JavaScript сангаас TypeScript рүү хөрвүүлэх,
• Нэг тест фрэймворкоос нөгөө рүү шилжих (жишээ нь Jest-ээс Vitest рүү),
• Хуучирсан API болон ORM архитектурыг шинэчлэх.

Asana-ийн инженерийн баг цаашид системдээ олон жил гацсан, гараар хийхэд хэт их цаг шаарддаг байсан бусад шилжүүлгүүд дээрээ AI агентуудыг үргэлжлүүлэн өргөнөөр ашиглахаа мэдэгдээд байна.

Эх сурвалж: OpenAI News & Case Studies, Asana Engineering